神经元模型，6 人工神经元模型是如何体现生物神经元的结构和信息处理机制的

来源：整理时间：2024-08-21 23:42:09 编辑：智能门户手机版

1，6 人工神经元模型是如何体现生物神经元的结构和信息处理机制的

神经元: 神经元即神经细胞,是高度分化的细胞.具有感受刺激\传导冲动和整合信息的功能,是神经系统形态结构与功能的基本单位. 2,神经元的形态结构: 神经元是由细胞体和突起两部分组成. 3,神经元的分类:(1)按神经元突起数目分类:单极神经元,双极神经元,多极神经元 (2)按神经元功能分类:感觉神经元(传入神经元),运动神经元(传出神经元),联络神经元(中间神经元). ( 二 ) 神经纤维:神经纤维是由运动神经的轴突或感觉神经元的长树突(两者统称为轴素)与包在它外表的神经胶质细胞构成的. 神经纤维分有髓神经纤维和无髓神经纤维.

6 人工神经元模型是如何体现生物神经元的结构和信息处理机制的

2，我想做个神经元模型交作业尽量简单点的在家里做的材料不要太

材料：厚白纸、彩色铅笔、较细的蓝色电线和较粗的红色电线（PS：绝缘皮内铜丝要求是分股的）、剪子、胶带。制作步骤： ①在厚白纸上用彩色铅笔画出神经元的细胞体，直径约为15-20厘米，然后用剪子把画好的细胞体剪下。②用几根10厘米长的蓝色电线连接在细胞体的边缘，把每根电线外端的绝缘皮去掉1厘米，露出一根细铜丝。 ③用1根50厘米左右的红色电线连接在细胞体的边缘，把电线的另一端的绝缘皮去掉1厘米，露出一根细铜丝。要想展示效果好些的话，尽量用硬些的纸

你好！那你就做吧，有什么需要就问。如果对你有帮助，望采纳。

用橡皮泥、铁丝等就可以啊

我想做个神经元模型交作业尽量简单点的在家里做的材料不要太

3，什么是人工神经元算法

人工神经网络算法 “人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，F Rosenblatt、Widrow和J. J .Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。

什么是人工神经元算法

4，神经网络模型的介绍

神经网络（Neural Networks,NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络的基础在于神经元。神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究，以探讨人工智能的机制时，把神经元数学化，从而产生了神经元数学模型。大量的形式相同的神经元连结在—起就组成了神经网络。神经网络是一个高度非线性动力学系统。虽然，每个神经元的结构和功能都不复杂，但是神经网络的动态行为则是十分复杂的；因此，用神经网络可以表达实际物理世界的各种现象。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(ArtificialNuearlNewtokr)s,是对人类大脑系统的一阶特性的一种描。简单地讲,它是一个数学模型。神经网络模型由网络拓扑．节点特点和学习规则来表示。神经网络对人们的巨大吸引力主要在下列几点：1．并行分布处理。2．高度鲁棒性和容错能力。3．分布存储及学习能力。4．能充分逼近复杂的非线性关系。在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一，但是这个问题一直没有得到有效的解决。利用神经网络的学习能力，使它在对不确定性系统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，以求达到对系统的最优控制；显然这是一种十分振奋人心的意向和方法。人工神经网络的模型现在有数十种之多，应用较多的典型的神经网络模型包括BP神经网络、Hopfield网络、ART网络和Kohonen网络。学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进程中,学习算法的研究有着十分重要的地位。目前,人们所提出的神经网络模型都是和学习算法相应的。所以,有时人们并不去祈求对模型和算法进行严格的定义或区分。有的模型可以有多种算法。而有的算法可能可用于多种模型。在神经网络中,对外部环境提供的模式样本进行学习训练,并能存储这种模式,则称为感知器;对外部环境有适应能力,能自动提取外部环境变化特征,则称为认知器。神经网络在学习中,一般分为有教师和无教师学习两种。感知器采用有教师信号进行学习,而认知器则采用无教师信号学习的。在主要神经网络如Bp网络,Hopfield网络,ART络和Kohonen网络中;Bp网络和Hopfield网络是需要教师信号才能进行学习的;而ART网络和Khonone网络则无需教师信号就可以学习49[]。所谓教师信号,就是在神经网络学习中由外部提供的模式样本信号。

5，如何用matlab构建一个三层bp神经网络模型用于预测温度

第0节、引例本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集：有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。　　一种解决方法是用已有的数据训练一个神经网络用作分类器。　　如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型人工神经元是神经网络的基本元素，其原理可以用下图表示：图1. 人工神经元模型图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为：　　图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为：　　若用X表示输入向量，用W表示权重向量，即：X = [ x0 , x1 , x2 , ....... , xn ]　　则神经元的输出可以表示为向量相乘的形式：若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。2. 常用激活函数激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。(1) 线性函数 ( Liner Function )(2) 斜面函数 ( Ramp Function )(3) 阈值函数 ( Threshold Function )以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。(4) S形函数 ( Sigmoid Function )　　该函数的导函数：(5) 双极S形函数　　该函数的导函数：　　S形函数与双极S形函数的图像如下：图3. S形函数与双极S形函数图像　　双极S形函数与S形函数主要区别在于函数的值域，双极S形函数值域是(-1,1)，而S形函数值域是(0,1)。　　由于S形函数与双极S形函数都是可导的(导函数是连续函数)，因此适合用在BP神经网络中。（BP算法要求激活函数可导）具体http://blog.csdn.net/gongxq0124/article/details/7681000/

6，什么是神经动力学

第一届国际认知神经动力学学术会议07年11月在上海举行。认知神经动力学将认知科学与非线性动力学融为一体，属于当前的前沿科学。来自全球近30个国家和地区的200余名代表出席了会议，其中包括国际神经动力学创始人之一弗里曼教授、“同步震荡”理论的提出者冯·德·马尔斯伯格教授、国际神经网络联合会主席王德亮教授和中国科学院院士郭爱克等国际一流专家，共递交学术论文217篇。在为期4天的专场报告中，与会专家热烈讨论了精神病模型、认知机器、神经信息学、感觉和运动动力学等理论与实践相结合的话题。细胞神经网络动力学是神经网络与动力系统交叉结合的一门新型学科。人们一开始以为这些所谓的“单元”是以能量波的形式沿着轴突以有限的速度传播，但是由于不满足守恒定律，上述概念就为动作电位是信息单元的思想所取代，也就是说，动作电位是二进制数字。这一推论并不正确，因为动作电位序列是某种通过脉冲频率调制进行能量传播的方式。虽然这种新的想法在脑科学中是不对的，却导致产生了神经网络和数字计算机。这些装置已经为信息时代的国际社会提供了技术基础，这说明一种理论要有成果并不一定非要正确不可。目前和细胞神经生物学同样的一股浪潮正在涌人分子神经生物学，分子神经生物学认为DNA分予是由四种核苷酸编码而成的一串信息单位。现在神经物理学家和神经遗传学家正致力于解释触发动作电位的量子机制，以及微观神经元通过释放量子分额的神经递质化合物影响网络中神经元之间通讯的方式。某些大胆的科学家甚至提议把意识解释为脑中量子相干的突现性质。

内容提要：神经网络动力学是神经网络与动力学系统交叉结合的学科。本书着重阐述神经网络动力学模型的建立和各类模型研究的问题与方法。书中还介绍了神经动力学的生物背景与相关的动力系统理论的基础，并且给出了国内外一些应用的成果介绍。读者对象为大专院校理工科各专业的大学生、研究生、教师及有关的科技工作者。目录：第一章神经元的神经生物学背景 1．1 神经元的结构 1．2 神经元的功能特征 1．3 人工神经网络和现实性神经网络参考文献第二章非线性动力学模型与问题，分析与方法 2．1 非线性动力学模型与问题 2．2 非线性动力学分析与方法参考文献第三章神经网络中的非线性动力学问题及分析 3．1 神经网络与动力系统 3．2 单个神经元的动力学模型与问题 3．3 离散的单层反馈型神经网络的动力学模型与问题 3．4 连续的反馈型神经网络动力学模型与问题 3．5 BSB模型、BP模型和环路BP模型及其它一些离散网络模型的动力学行为 3．6 由H-H方程及Chay方程描述的神经活动中的各类动力学行为 3．7 嗅觉神经网络 3．8 生物神经网络中的同步振荡 3．9 动态神经元网络的混沌动力学性质前言：神经网络在最近20年中得到了迅速的发展，有关的论文及著作已有许多．本书并不想全面介绍神经网络，而只是想对神经网络与数学中动力学系统理论的交叉结合介绍一些我们在学习与研究中的体会．我们力图在以下几个方面作一些尝试：(1)将人工神经网络模型与生物神经网络模型用动力学观点统一起来，突出神经动力学的思想；(2)把吸引子(包括收敛的、振荡的、混沌的三种类型)的研究贯穿在神经网络的理论与应用的整个过程之中；(3)使应用数学工作者，通过本书可以了解动力系统中吸引子分析在神经网络研究中的对应问题与应用，而使从事生物、计算机、信息等学科研究的工作者，通过本书可以了解神经网络..

细胞神经网络动力学是神经网络与动力系统交叉结合的一门再看看别人怎么说的。

细胞神经网络动力学是神经网络与动力系统交叉结合的一门新型学科。